فلش‌کارت‌های آموزشی پیاده‌سازی مدل‌های یادگیری ماشین با Vertex AI در Google Cloud

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی مدل‌های یادگیری ماشین با Vertex AI در Google Cloud

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین بر بستر ابر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. انواع مسائل در یادگیری ماشین
• 8. رگرسیون
• 9. طبقه‌بندی
• 10. خوشه‌بندی
• 11. کاهش ابعاد
• 12. مقدمه‌ای بر Google Cloud Platform
• 13. خدمات Google Cloud برای هوش مصنوعی و یادگیری ماشین
• 14. معرفی Vertex AI
• 15. معماری Vertex AI
• 16. مؤلفه‌های اصلی Vertex AI
• 17. محیط‌های توسعه در Vertex AI
• 18. مجموعه داده‌ها در Vertex AI
• 19. مدیریت داده‌ها
• 20. پیش‌پردازش داده‌ها
• 21. مهندسی ویژگی
• 22. آموزش مدل‌های یادگیری ماشین
• 23. انواع الگوریتم‌های یادگیری ماشین
• 24. رگرسیون خطی
• 25. رگرسیون لجستیک
• 26. ماشین‌های بردار پشتیبان (SVM)
• 27. درختان تصمیم
• 28. جنگل‌های تصادفی
• 29. شبکه‌های عصبی
• 30. شبکه‌های عصبی کانولوشنی (CNN)
• 31. شبکه‌های عصبی بازگشتی (RNN)
• 32. یادگیری عمیق
• 33. آموزش مدل‌های سفارشی
• 34. فریم‌ورک‌های یادگیری ماشین
• 35. TensorFlow
• 36. PyTorch
• 37. Keras
• 38. آموزش مدل‌ها در مقیاس بزرگ
• 39. مدیریت آزمایش‌ها
• 40. ردیابی پارامترها و معیارها
• 41. مقایسه مدل‌ها
• 42. تنظیم ابرپارامترها
• 43. بهینه‌سازی مدل
• 44. ارزیابی مدل
• 45. معیارهای ارزیابی برای رگرسیون
• 46. معیارهای ارزیابی برای طبقه‌بندی
• 47. ماتریس درهم‌ریختگی (Confusion Matrix)
• 48. دقت (Accuracy)
• 49. صحت (Precision)
• 50. بازیابی (Recall)
• 51. امتیاز F1
• 52. منحنی ROC و AUC
• 53. اعتبارسنجی متقابل (Cross-Validation)
• 54. استقرار مدل‌ها
• 55. استقرار مدل به عنوان نقطه پایانی (Endpoint)
• 56. پیش‌بینی بلادرنگ (Online Prediction)
• 57. پیش‌بینی دسته‌ای (Batch Prediction)
• 58. نظارت بر مدل‌های مستقر شده
• 59. بازآموزی مدل
• 60. مفاهیم MLOps
• 61. پایپ‌لاین‌های یادگیری ماشین
• 62. اتوماسیون فرآیندهای یادگیری ماشین
• 63. مدیریت چرخه عمر مدل
• 64. امنیت در Vertex AI
• 65. حفظ حریم خصوصی داده‌ها
• 66. مدیریت دسترسی‌ها
• 67. هزینه‌ها در Google Cloud و Vertex AI
• 68. بهینه‌سازی هزینه‌ها
• 69. نکات و ترفندها در استفاده از Vertex AI
• 70. مطالعات موردی در یادگیری ماشین با Vertex AI
• 71. تحلیل احساسات
• 72. تشخیص اشیاء
• 73. پیش‌بینی سری‌های زمانی
• 74. سیستم‌های توصیه‌گر
• 75. پردازش زبان طبیعی (NLP)
• 76. بینایی ماشین (Computer Vision)
• 77. یادگیری تقویتی در عمل
• 78. ملاحظات اخلاقی در هوش مصنوعی
• 79. سوگیری در مدل‌های هوش مصنوعی
• 80. شفافیت و توضیح‌پذیری مدل‌ها
• 81. کاربرد هوش مصنوعی در صنعت
• 82. کاربرد هوش مصنوعی در کسب‌وکار
• 83. کاربرد هوش مصنوعی در علم
• 84. آینده هوش مصنوعی و یادگیری ماشین
• 85. مقدمه‌ای بر معماری‌های پیشرفته یادگیری ماشین
• 86. مدل‌های ترنسفورمر (Transformer)
• 87. یادگیری انتقالی (Transfer Learning)
• 88. یادگیری فدرال (Federated Learning)
• 89. کاربرد هوش مصنوعی در ایران
• 90. چارچوب‌های قانونی هوش مصنوعی در ایران
• 91. اخلاق حرفه‌ای در توسعه هوش مصنوعی
• 92. توسعه پایدار با هوش مصنوعی
• 93. نوآوری در حوزه هوش مصنوعی
• 94. مقدمه‌ای بر بهینه‌سازی مدل‌ها برای استقرار
• 95. فشرده‌سازی مدل‌ها
• 96. کوانتیزاسیون مدل‌ها
• 97. استفاده از سخت‌افزار شتاب‌دهنده
• 98. مقدمه‌ای بر یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 99. الگوریتم‌های Q-Learning
• 100. الگوریتم‌های Policy Gradient